Fugu-MT 論文翻訳(概要): Deep Modularity Networks with Diversity-Preserving Regularization

論文の概要: Deep Modularity Networks with Diversity-Preserving Regularization

arxiv url: http://arxiv.org/abs/2501.13451v2
Date: Mon, 03 Nov 2025 10:11:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 02:21:43.121173
Title: Deep Modularity Networks with Diversity-Preserving Regularization
Title（参考訳）: 多様性保存型正則化を用いた深層モジュール性ネットワーク
Authors: Yasmin Salehi, Dennis Giannacopoulos,
Abstract要約: DMoN-DPR(Deep Modularity Networks with Diversity-Preserving Regularization)を提案する。本稿では,クラスタ間分離のための距離ベース,クラスタ間割当分散のための分散ベース,小さな正重みを持つ割当エントロピーペナルティという3つの新しい正規化用語を紹介する。提案手法は,特徴量の多いベンチマークデータセット(2尾のt-test,$pleq0.05$)のラベルベースのクラスタリング指標を大幅に向上させ,有意義で解釈可能なクラスタの作成において多様性を保った正規化を組み込むことの有効性を示した。
参考スコア（独自算出の注目度）: 2.5954303305216095
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph clustering plays a crucial role in graph representation learning but often faces challenges in achieving feature-space diversity. While Deep Modularity Networks (DMoN) leverage modularity maximization and collapse regularization to ensure structural separation, they lack explicit mechanisms for feature-space separation, assignment dispersion, and assignment-confidence control. We address this limitation by proposing Deep Modularity Networks with Diversity-Preserving Regularization (DMoN-DPR), which introduces three novel regularization terms: distance-based for inter-cluster separation, variance-based for per-cluster assignment dispersion, and an assignment-entropy penalty with a small positive weight, encouraging more confident assignments gradually. Our method significantly enhances label-based clustering metrics on feature-rich benchmark datasets (paired two-tailed t-test, $p\leq0.05$), demonstrating the effectiveness of incorporating diversity-preserving regularizations in creating meaningful and interpretable clusters.
Abstract（参考訳）: グラフクラスタリングはグラフ表現学習において重要な役割を果たすが、しばしば特徴空間の多様性を達成するための課題に直面している。 Deep Modularity Networks (DMoN) はモジュラリティ最大化と崩壊正規化を利用して構造的分離を保証するが、特徴空間分離、割当分散、割当信頼制御の明確なメカニズムは欠如している。本稿では, クラスタ間分離のための距離ベース, クラスタ間割当分散のための分散に基づく分散, 割り当てエントロピーペナルティの3つの新しい正規化用語を導入するDMoN-DPR(Deep Modularity Networks with Diversity-Preserving Regularization)を提案することで, この制限に対処する。提案手法は,特徴量の多いベンチマークデータセット(2尾のt-test,$p\leq0.05$)のラベルベースのクラスタリング指標を大幅に向上させ,有意義で解釈可能なクラスタの作成において多様性を保った正規化を組み込むことの有効性を示した。

関連論文リスト

Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
論文参考訳（メタデータ） (2025-06-02T08:13:32Z)
Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。既存のSHGLメソッドには2つの大きな制限がある。ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文参考訳（メタデータ） (2024-12-01T09:33:20Z)
Subequivariant Reinforcement Learning in 3D Multi-Entity Physical Environments [31.437047774153037]
本稿では,階層型階層型ニューラルネットワーク(SHNN)を提案する。 SHNNはまずグローバル空間をタスク割り当てによってローカルエンティティレベルのグラフに動的に分離する。その後、局所的なエンティティレベルのグラフを渡って、局所的な参照フレームを考案する。
論文参考訳（メタデータ） (2024-07-17T11:37:34Z)
ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
論文参考訳（メタデータ） (2024-05-28T10:40:20Z)
Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文参考訳（メタデータ） (2023-03-29T14:54:19Z)
FedRC: Tackling Diverse Distribution Shifts Challenge in Federated Learning by Robust Clustering [4.489171618387544]
Federated Learning(FL)は、エッジデバイス上でクライアントデータを保持することによって、プライバシを保護する機械学習パラダイムである。本稿では,多様な分布シフトの同時発生による学習課題を特定する。提案するクラスタリングの原理に従う新しいクラスタリングアルゴリズムフレームワークであるFedRCを提案する。
論文参考訳（メタデータ） (2023-01-29T06:50:45Z)
Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文参考訳（メタデータ） (2023-01-15T16:19:18Z)
Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。 MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
論文参考訳（メタデータ） (2022-07-23T17:30:54Z)
Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文参考訳（メタデータ） (2022-02-10T06:23:56Z)
Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文参考訳（メタデータ） (2021-11-10T06:53:03Z)
Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文参考訳（メタデータ） (2020-12-08T08:52:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。